基于电商用户行为的隐式反馈推荐应用研究

doi:10.3969/j.issn.1006-2475.2023.11.007

摘要/Abstract

摘要： 摘要：贝叶斯个性化排序（BPR）算法是隐式反馈问题中最具代表性的算法之一，但BPR算法中提出的用户间独立性假设和个人对2个项目的成对偏好假设都过于严格。GBPR算法重新定义了用户的个人偏好，并使用由志趣相投的多个用户形成的组偏好来代替个人偏好，以放宽用户间独立性的假设。DPR算法把偏序对作为基本单元来优化偏好间的差值而不是偏好的差值，以放宽个人对2个项目的成对偏好的假设。结合上述研究，本文提出e-GDPR算法，进一步提高用户对物品的偏好预测能力。该算法可以充分利用数据集中的用户信息（如性别、消费水平）和商品信息（如商品种类），把组偏好引入DPR算法并根据消费水平与性别对用户进行分组后随机抽样，以创建更具代表性的用户组，本文对采样方式进行改进，不再使用随机采样，而是随机抽取由同一种类的2个商品构成的三元组样本，并认为它们比随机选择的商品所组成的三元组样本更可靠。然后，引入隐式反馈偏好量化模型来计算用户的个人偏好，并能充分考虑隐藏在各种隐式操作类型背后的用户偏好。最终，在京东电商数据集上进行仿真推荐实验，实验结果表明与基线算法相比e-GDPR算法可以取得更好的推荐效果。

关键词: 关键词：贝叶斯个性化排序, 推荐算法, 隐式反馈, 采样方式, 组偏好

Abstract: Abstract: The Bayesian Personalized Ranking algorithm is one of the most representative algorithms for implicit feedback problems， but both the assumption of independence between users and the assumption of individuals’ pairwise preferences for two items proposed in the BPR algorithm are too restrictive. The GBPR algorithm redefines the individual preferences of users， using group preferences formed by like-minded users instead of individual preferences to relax the assumption of independence among users. The DPR algorithm takes the partial order pair as the basic unit to optimize the difference between preferences rather than the difference of preferences to relax the assumption of an individual’s pairwise preference for two items. Based on the above research， this paper proposes an e-GDPR algorithm to further enhance the user’s ability to predict preferences for items. The algorithm can make full use of user information （such as gender， consumption level） and commodity information （such as category） in the data set， introduce group preference into the DPR algorithm， divide users into groups according to consumption level and gender， randomly sample to form more representative user groups， and no longer use random sampling directly when sampling.Instead， a triad sample consisting of two randomly selected commodities belonging to the same category is considered to be more reliable than a triad sample consisting of randomly selected commodities. Then the implicit feedback preference quantification model is introduced to calculate the user’s personal preference， which can fully consider the user’s preference behind various implicit operation types. Finally， a recommendation experiment is carried out on the Jingdong e-commerce data set， and the experimental results show that the e-GDPR algorithm can achieve better recommendation results compared with the baseline algorithm.

Key words: Key words：Bayesian personalized ranking, recommendation algorithm, implicit feedback, sampling methods, group preference

中图分类号:

TP312

朱宏启, 王诚. 基于电商用户行为的隐式反馈推荐应用研究[J]. 计算机与现代化, 2023, 0(11): 44-50.

ZHU Hong-qi, WANG Cheng. Application Research of Implicit Feedback Recommendation Based on E-commerceUser Behavior[J]. Computer and Modernization, 2023, 0(11): 44-50.

参考文献［32］

［1］	于文莲. 网络环境下的信息过载研究［J］. 农业图书情报学刊， 2008，20（11）:51-54.
［2］	陈丹，郭伟青. 搜索引擎技术分析与研究［J］. 计算机系统应用， 2008，17（3）:23-26.
［3］	印鉴，陈忆群，张钢. 搜索引擎技术研究与发展［J］. 计算机工程， 2005（14）:63-65.
［4］	刘建国，周涛，汪秉宏. 个性化推荐系统的研究进展［J］. 自然科学进展， 2009，19（1）:1-15.
［5］	刘鲁，任晓丽. 推荐系统研究进展及展望［J］. 信息系统学报， 2008（1）:82-90.
［6］	RESNICK P， VARIAN H R. Recommender systems［J］. Communications of the ACM，1997，40（3）:56-58.
［7］	BOBADILLA J， ORTEGA F， HERNANDO A， et al. Recommender systems survey［J］. Knowledge-based Systems， 2013，46（1）:109-132.
［8］	OARD D W， KIM J. Implicit feedback for recommender systems［C］// Proceedings of the AAAI Workshop on Recommender Systems. 1998:81-83.
［9］	JAWAHEER G，WELLER P， KOSTKOVA P. Modeling user preferences in recommender systems:A classification framework for explicit and implicit user feedback［J］.ACM Transactions on Interactive Intelligent Systems（TiiS），2014，4（2）:8.1-8.26.
［10］	PAN R，ZHOU Y H，CAO B，et al.One-class collaborative filtering［C］∥ Proceedings of the 8th IEEE International Conference on Data Mining. IEEE，2008:502-511.
［11］	PAN W K， CHEN L. GBPR: Group preference based Bayesian personalized ranking for one-class collaborative filtering［C］// Proceedings of the 23rd International Joint Conference on ArtificialIntelligence. 2013:2691-2697.
［12］	RENDLE S， FREUDENTHALER C， GANTNER Z， et al. BPR: Bayesian personalized ranking from implicit feedback［C］// Proceedings of the 25th Conference on Uncertainty in Artificial Intelligence. 2009:452-461.
［13］	张云洲. 单类协同过滤推荐算法的研究［D］. 合肥:中国科学技术大学， 2018.
［14］	ZHANG W N， CHEN T Q， WANG J， et al. Optimizing top-n collaborative filtering via dynamic negative item sampling［C］// Proceedings of the 36th International ACM SIGIR Conference on Research & Development in Information Retrieval. ACM，2013:785-788.
［15］	BURGES C J C. From RankNet to LambdaRank to LambdaMART : An Overview［R］ . Microsoft Research Technical Report MSR-TR-2010-82， 2010.
［16］	GUO W Y， WU S， WANG L， et al. Personalized ranking with pairwise factorization machines［J］. Neurocomputing， 2016，214（19）:191-200.
［17］	汪志远. 基于商品内容和用户行为反馈的BPR算法研究［D］. 上海:东华大学， 2021.
［18］	MAO X D， LI Q， XIE H R， et al. Popularity tendency analysis of ranking-oriented collaborative filtering from the perspective of loss function［C］// International Conference on Database Systems for Advanced Applications. Springer， 2014:451-465.
［19］	GUO Y H， WANG X， XU C F. CroRank: Cross domain personalized transfer ranking for collaborative filtering［C］// 2015 IEEE International Conference on Data Mining Workshop（ICDMW）. IEEE， 2015:1204-1212.
［20］	RENDLE S， SCHMIDT-THIEME L. Pairwise interaction tensor factorization for personalized tag recommendation［C］// Proceedings of the 3rd ACM International Conference on Web Search and Data Mining. ACM， 2010:81-90.
［21］	KANAGAL B， AHMED A， PANDEY S， et al. Supercharging recommender systems using taxonomies for learning user purchase behavior［J］. Proceedings of the VLDB Endowment， 2012，5（10）:956-967.
［22］	曹朝阳. 基于隐语义模型的群组推荐算法研究［D］. 郑州:郑州大学， 2020.
［23］	NGUYEN J， ZHU M. Content-boosted matrix factorization techniques for recommender systems［J］. Statistical Analysis & Data Mining， 2013，6（4）:286-301.
［24］	ABDI M H， OKEYO G O， MWANGI R W， et al. Matrix factorization techniques for context-aware collaborative filtering recommender systems: A survey［J］. Computer and Information Science， 2018，11（2）:1-11.
［25］	刘慧婷，陈艳，肖慧慧. 基于用户偏好的矩阵分解推荐算法［J］. 计算机应用， 2015（0z2）:118-121.
［26］	张航，叶东毅. 一种基于多正则化参数的矩阵分解推荐算法［J］. 计算机工程与应用， 2017（3）:74-79.
［27］	申艳梅，姜冰倩，敖山，等. 基于遗忘函数的均值贝叶斯个性化排序算法研究［J］. 计算机应用研究， 2021，38（5）:1350-1354.
［28］	郑州轻工业大学. 一种基于深度学习的推荐算法库:CN202110868848.6［P］. 2021-11-02.
［29］	PAN W K， ZHONG HAO， XU C F， et al. Adaptive Bayesian personalized ranking for heterogeneous implicit feedbacks［J］. Knowledge-Based Systems， 2015，73:173-180.
［30］	张恒. 基于用户动态偏好的异构隐式反馈推荐算法研究［D］. 杭州:浙江大学， 2017.
［31］	CHEN T Q， GUESTRIN C. XGBoost: A scalable tree boosting system［C］// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM， 2016:785-794.
［32］	黄辉. 基于“用户-标签”网络的问答社区专家发现方法研究［D］. 武汉:武汉理工大学， 2019.

[1]	王士祺. 基于人工智能推荐算法的智能家庭社会服务机制[J]. 计算机与现代化, 2021, 0(03): 57-62.
[2]	石朋, 姚文明, 王祥. 融合用户模糊聚类和相似度的加权Slope One优化[J]. 计算机与现代化, 2021, 0(01): 70-75.
[3]	徐建鹏, 徐祥, 王晖, 伍琼, 王杰. 基于用户行为和新闻时效性的农业信息协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(07): 6-10.
[4]	贾冲，冯慧芳，杨振娟. 基于出租车GPS轨迹和POI数据的商业选址推荐[J]. 计算机与现代化, 2020, 0(02): 21-.
[5]	李一野1，2，邓浩江1，2. 基于改进余弦相似度的协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(01): 69-.
[6]	陈峙宇1,2,3,吕坦悦2,王菲2,段震伟2 . 基于众包的图片标注系统[J]. 计算机与现代化, 2019, 0(08): 112-.
[7]	汪海鹏，郑扬飞. 基于特征值的律师推荐算法及改进方案[J]. 计算机与现代化, 2018, 0(10): 18-.
[8]	李健，杨幸，李俊成，黄晗文. 基于大数据技术和特征推荐的就业信息管理平台的设计[J]. 计算机与现代化, 2018, 0(06): 103-.
[9]	成鹏,刘文斌. 基于差值矩阵分解的推荐算法[J]. 计算机与现代化, 2018, 0(03): 69-.
[10]	倪满满1,2. 基于ALS模型协同过滤推荐算法的优化[J]. 计算机与现代化, 2018, 0(02): 76-.
[11]	赖锦辉. 融合多因素的专家组评分协同过滤推荐算法[J]. 计算机与现代化, 2015, 0(7): 25-.
[12]	赵雪美1，郭林锋2,卞雪雯1. 一种新的融合情景的美食推荐算法[J]. 计算机与现代化, 2015, 0(7): 20-.
[13]	吴逸明. 融合的协同过滤推荐算法[J]. 计算机与现代化, 2011, 1(6): 95-5.